Система на базе телеметрии автомобилей предскажет опасные зоны на дорогах Сиднея
Ученые предложили новый подход к повышению безопасности дорожного движения: вместо анализа уже произошедших аварий они прогнозируют потенциально опасные участки на основе данных телеметрии подключенных автомобилей. Исследование охватило район Большого Сиднея, а результаты опубликованы на arXiv.
В основе работы лежат данные о резких маневрах водителей: экстренном торможении с перегрузкой более 0,6 g, слишком агрессивных поворотах свыше 0,47 g и резких ускорениях от 0,5 g. Эти события считаются маркерами рискованного поведения, которое часто предшествует авариям.
Собранные данные позволили построить пространственно-временные тепловые карты, на которых видны зоны повышенного риска. Авторы выделили три устойчивых очага опасности в Сиднее: центральный деловой район, Парраматту и Бэнкстаун.
Для прогнозирования исследователи протестировали восемь моделей из трех семейств: ансамблевые методы (Random Forest, XGBoost, LightGBM), глубокое обучение (LSTM, N-BEATS) и классические временные ряды (ARIMA, экспоненциальное сглаживание, Prophet). Лучшую точность показала модель ARIMA со средней абсолютной ошибкой 162,21, почти не уступив LSTM (163,92) и обойдя все ансамблевые методы.
Особый интерес представляет тот факт, что простая классическая модель оказалась конкурентоспособной с глубоким обучением при ограниченном количестве обучающих данных. Это говорит о том, что в подобных задачах сложные нейросети не всегда оправданы.
Авторы подчеркивают потенциал IoT-платформ и подключенных автомобилей для превентивных мер в области безопасности. Выявленные устойчивые зоны риска могут стать основой для адресных решений местных властей.
Исследование демонстрирует, как большие данные с автомобильных датчиков помогают сдвинуть дорожную безопасность от реактивной модели к проактивной. В перспективе такие системы могут быть интегрированы в городскую инфраструктуру для оперативного оповещения водителей.
